A kernel function for Signal Temporal Logic formulae
University of Trieste(的里雅斯特大学);Saarland University(萨尔大学);University of Technology, Vienna(维也纳技术大学)
我们讨论了如何定义一个信号时序逻辑(STL)公式的核心。这样的内核允许我们将公式空间嵌入到Hilbert空间中,并在STL的上下文中开放了基于内核的机器学习算法的使用。我们展示了这个想法的一个应用程序的概率模型的公式空间中的回归问题。
2020-09-11 cs.LG cs.LO stat.ML
Does Source-Free Time-Series Adaptation Really Require Updating the Encoder?
City University of Hong Kong(香港城市大学)
提出SAFA方法,通过多尺度时频建模和可训练频率适应模块,对齐目标域与源域的频谱特征,解决无源域适应中的特征偏移和时间漂移问题。
2026-11-04 cs.LG
Frequency and temporal convolutional attention for text-independent speaker recognition
Staqu Technologies(斯塔克技术公司)
大多数用于文本无关说话人识别的最近方法将注意力或类似技术应用于由深度神经网络(DNN)前端生成的帧级特征描述符的聚合。在本文中,我们提出了在基于卷积神经网络(CNN)的前端中独立建模时间和频率信息的卷积注意力方法。我们的系统利用卷积块注意模块(CBAM)[1]进行适当修改以适应频谱图输入。建议的CNN前端与建议的卷积注意力模块相匹配,在VoxCeleb [2,3]说话人验证基准上的性能明显优于无注意力和空间CBAM基线,并且我们的最佳模型在VoxCeleb 1测试集上实现了2:031%的相等出错率,显著改善了现有的最先进的结果。为了更全面地评估频率和时间注意力在现实世界条件下的影响,我们通过从输入频谱图中随机丢弃频率箱和时间帧来进行消融实验,得出的结论是,同时建模时间和频率注意力可以转化为更好的现实世界性能,而不是对任何一个实体进行建模。
2019-10-19 cs.LG cs.SD eess.AS
DSTFView: Multi-View Cloud-Edge Workload Forecasting with Dual-Input Spatio-Temporal-Frequency Modeling
Xinjiang University(新疆大学)
针对协作式云边环境中多维特征建模与预测效率平衡难题,提出DSTFView框架,通过双输入时空频率建模联合捕捉多种依赖性,设计自适应融合机制,实验证明其在多指标上优于基线。
2026-07-28 cs.AI cs.LG
LLM Online Spatial-temporal Signal Reconstruction Under Noise
Tsinghua-Berkeley Shenzhen Institute(清华-伯克利深圳学院);Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);Tsinghua University(清华大学)
本文提出LLM-OSR框架,结合图信号处理与大语言模型实现在线时空信号重建,并在交通和气象数据上验证了其在噪声条件下的准确性与鲁棒性。
2024-11-24 cs.LG eess.SP
Dynamic Temporal Reconciliation by Reinforcement learning
Mastercard, AI Garage(万事达卡人工智能创新实验室)
基于长期和短期时间序列预测的规划是许多行业的常见做法。在这方面,时间汇总和协调技术有助于改进预测,减少模型的不确定性,并提供跨不同时间范围的连贯预测。然而,一个基本的假设,跨越所有这些技术是完整的可用性的数据在所有级别的时间层次结构,虽然这提供了数学上的方便,但大多数时候,低频数据是部分完成,它是不可用的,而预测。另一方面,在COVID大流行等情况下,高频数据可能会发生重大变化,此变化可用于改善预测,否则将与长期实际情况存在重大差异。我们提出了一个动态的和解方法,使我们制定的问题,通知低频预测的基础上,高频的实际马尔可夫决策过程(MDP)允许的事实,我们没有完整的信息动态的过程。这使我们能够根据最新的可用数据进行最佳的长期估计,即使低频周期仅部分完成。MDP已经使用具有可定制动作的时间差分强化学习(TDRL)方法来解决,并且与仅依赖历史低频数据相比,显著改善了长期预测。结果还强调了这样一个事实,即虽然低频预测可以改善高频预测中提到的时间调和文献(基于假设,低频预测具有较低的噪声信号比)的高频预测也可以用来通知低频预测。
2022-01-28 cs.AI cs.LG
Temporalizing Confidence: Evaluation of Chain-of-Thought Reasoning with Signal Temporal Logic
University of Florida(佛罗里达大学);University of Mannheim(曼海姆大学)
本文提出用信号时序逻辑评估思维链推理中的逐步置信度,并通过不确定性重塑策略改善LLM数学推理的校准与可靠性。
2025-06-09 cs.AI cs.LG
Analysis of E-commerce Ranking Signals via Signal Temporal Logic
Amazon Search(亚马逊搜索)
通过学习排序模型检索的文档的时间位置可以被视为信号。信号携带有用的信息,例如文档随时间或用户行为的下降或上升。在这项工作中,我们建议使用的逻辑形式主义,称为信号时序逻辑(STL),以表征文档行为的排名相应的指定公式。我们的分析表明,有趣的文档行为可以很容易地形式化和检测感谢STL公式。我们在10万个产品信号的数据集上验证了我们的想法。通过所提出的框架,我们发现有趣的模式,如冷启动,热启动,尖峰,并检查它们如何影响我们的学习排序模型。
2021-01-14 cs.FL cs.IR cs.LG
WaveTransformer: A Novel Architecture for Audio Captioning Based on Learning Temporal and Time-Frequency Information
Tampere University(坦佩雷大学)
自动音频字幕(AAC)是一种新颖的任务,其中方法将音频样本作为输入并输出其内容的文本描述(即字幕)。大多数AAC方法都是从机器翻译领域的图像描述改编而来的。在这项工作中,我们提出了一种新的AAC新方法,明确专注于开发的时间和时间-频率模式的音频。我们采用三个可学习的过程进行音频编码,两个用于提取本地和时间信息,一个用于合并前两个过程的输出。为了生成字幕,我们采用了广泛使用的Transformer解码器。我们利用Clotho数据集的免费分裂来评估我们的方法。我们的研究结果将先前报道的最高SPIDER从16.2增加到17.3。
2020-10-21 cs.LG cs.MM cs.SD
Sleep Stage Scoring Using Joint Frequency-Temporal and Unsupervised Features
如果睡眠障碍患者了解自己的特殊情况,他们可以更好地管理自己的生活方式。通常可以通过分析从患者收集的多个生命信号来检测这种睡眠障碍。为了简化这项任务,已经提出了许多自动睡眠阶段识别(ASSR)方法。这些方法中的大多数使用已经从生命信号中提取的时间-频率特征。然而,由于睡眠信号的非平稳性质,这样的方案不会导致可接受的精度。最近,人们提出了一些ASSR方法,这些方法使用深度神经网络进行无监督特征提取。在本文中,我们提出了结合这两种思想,并同时使用时频和无监督特征。为了提高时间分辨率,每个标准历元被分割成5个子历元。此外,为了提高准确率,我们采用了三个不同属性的分类器,然后使用集成方法作为最终的分类器。仿真结果表明,该方法提高了传统ASSR方法的准确性。
2020-04-10 cs.LG eess.SP
Temporal Graph Signal Decomposition
University at Albany—SUNY(纽约州立大学奥尔巴尼分校)
时间图信号是具有与固定图结构的节点相关联的各个分量的多变量时间序列。这种数据出现在许多领域,包括社交网络用户的活动,传感器网络随时间的读数,以及模型生物体相互作用网络内的时程基因表达。传统的矩阵分解方法适用于这样的数据不充分利用结构的编码在底层图形中,也在信号的时间模式。我们如何才能考虑到这种结构,以获得一个简洁和可解释的时间图信号表示?我们提出了一个通用的,基于字典的时间图信号分解(TGSD)的框架。其关键思想是通过图和时间字典的组合来学习数据的低秩联合编码。我们提出了一个高度可扩展的分解算法,完整和不完整的数据,并证明其优势矩阵分解,缺失值的插补,时间插值,聚类,周期估计和排名估计的合成和现实世界的数据,从交通模式到社交媒体活动。当多达75%的观测值丢失时,与时间插值的基线相比,我们的框架实现了RMSE降低28%。它在350万个数据点上的20秒内的基线中扩展得最好,并产生最简约的模型。据我们所知,TGSD是第一个通过时间和图字典联合建模图信号的框架。
2021-06-25 cs.LG
TFEC: Multivariate Time-Series Clustering via Temporal-Frequency Enhanced Contrastive Learning
Guangdong University of Technology(广东工业大学);Hong Kong Baptist University(香港 Baptist 大学)
TFEC通过时频增强对比学习方法,提升多变量时间序列聚类的表示质量和聚类结构优化。
2026-01-12 cs.LG
TemporalAugmenter: An Ensemble Recurrent Based Deep Learning Approach for Signal Classification
University of Cincinnati(辛辛那提大学);Florida International University(佛罗里达国际大学);University of Florida(佛罗里达大学)
本文提出 TemporalAugmenter 集成循环深度学习方法,通过双学习流融合两种循环神经网络以增强长短期时间依赖提取,并减少预处理能耗,在语音情感识别、心电图和信号质量检查任务上验证有效性。
2024-01-13 cs.HC cs.LG eess.SP
Neural Network for Weighted Signal Temporal Logic
在本文中,我们提出了一个神经符号框架称为加权信号时序逻辑神经网络(wSTL-NN),结合了神经网络和时序逻辑的特点。加权信号时态逻辑(wSTL)公式是由使用逻辑和时态运算符组合的子公式递归组成的。定义了wSTL的定量语义,使得具有较高权重的子公式的定量满意度对整个wSTL公式的定量满意度具有更大的影响。在wSTL-NN中,每个神经元对应于wSTL子公式,其输出对应于公式的定量满足。我们使用wSTL-NN来表示wSTL公式作为特征来分类时间序列数据。STL特征比经典方法中使用的特征更易于解释。wSTL-NN是端到端可微的,这允许使用反向传播来学习wSTL公式。为了减少权重的数量,我们引入了两种技术来稀疏化wSTL-NN。我们将我们的框架应用于占用检测时间序列数据集,以学习预测办公室占用状态的分类器。
2021-04-08 cs.LG cs.NE
Acoustic To Articulatory Speech Inversion Using Multi-Resolution Spectro-Temporal Representations Of Speech Signals
Institute for Systems Research, University of Maryland College Park(马里兰大学帕克分校系统研究所);Pindrop Inc.(平卓普公司)
语音信号的多分辨率频谱-时间特征表示大脑如何通过将皮层细胞调谐到不同的频谱和时间调制来感知声音。这些特征产生语音信号的更高维表示。本文的目的是评估如何以及语音信号的听觉皮层表示有助于估计这些相应的信号的发音特征。由于获得发音功能的语音信号的声学特征一直是一个具有挑战性的话题感兴趣的不同的语音社区,我们调查使用这种多分辨率表示的语音信号作为声学特征的可能性。我们利用了你。的威斯康星州X射线微束(XRMB)数据库的干净的语音信号,训练前馈深度神经网络(DNN),以估计发音轨迹的六道变量。使用适当的尺度和速率矢量参数选择用于训练模型的多分辨率谱时特征的最佳集合,以获得最佳性能的模型。实验实现了0.675与地面实况道变量的相关性。我们比较了这个语音反转系统的性能与以前的实验进行梅尔频率倒谱系数(MFCC)。
2022-06-25 cs.AI cs.LG cs.SD
Adaptive Spatio-temporal Estimation on the Graph Edges via Line Graph Transformation
Institute of Data and Information, Shenzhen International Graduate School(数据与信息研究所,深圳国际研究生院)
本文提出LGLMS算法,利用线图变换与经典自适应滤波器结合,实现图边时间变化信号的在线估计,通过将边信号嵌入节点表示,有效利用现有GSP技术处理边信号。
2026-04-17 cs.LG eess.SP
Pavlovian Signalling with General Value Functions in Agent-Agent Temporal Decision Making
DeepMind Technologies, Ltd.(DeepMind科技有限公司);University of Alberta(阿尔伯塔大学);Alberta Machine Intelligence Institute(阿尔伯塔机器智能研究院)
在本文中,我们对巴甫洛夫信号传递进行了多方面的研究--一个代理人做出的习得的、时间上扩展的预测为另一个代理人的决策提供信息的过程。信号与时间和时机密切相关。在产生和接收信号的服务中,人类和其他动物已知表示时间,确定自过去事件以来的时间,预测直到未来刺激的时间,并且识别和产生随时间展开的模式。我们研究了不同的时间过程如何影响学习代理之间的协调和信号,通过引入一个部分可观察的决策域,我们称之为霜谷。在这个领域中,预测学习代理和强化学习代理被耦合到一个两部分的决策系统中,该系统在避免时间条件风险的同时获得稀疏奖励。我们评估了两个域的变化:机器代理在七状态线性行走中交互,以及虚拟现实环境中的人机交互。我们的研究结果展示了巴甫洛夫信号的学习速度,不同的时间表示对代理-代理协调的影响,以及时间别名如何不同地影响代理-代理和人类-代理的相互作用。作为一个主要的贡献,我们建立了巴甫洛夫信号之间的自然桥梁固定的信号范例和完全自适应的通信学习两个代理。我们进一步展示了如何计算建立这种自适应的信令过程的固定的信令过程,其特征在于快速连续的预测学习和最小的约束的代理接收信号的性质。因此,我们的研究结果提出了一个可操作的,建构主义的路径之间的沟通学习强化学习代理。
2022-01-11 cs.AI cs.LG cs.MA
Learning from Demonstrations using Signal Temporal Logic
University of Southern California(南加州大学)
从演示中学习是一种新兴的范例,通过强化学习获得有效的机器人控制策略,而不需要显式地设计奖励函数。然而,它是容易受到不完善的示范,也提出了关注的安全性和可解释性的学习控制政策。为了解决这些问题,我们使用信号时序逻辑来评估和排名演示的质量。基于时序逻辑的规范允许我们创建非马尔可夫奖励,并定义有趣的因果关系之间的依赖关系,如顺序任务规范。我们通过在离散世界和OpenAI Gym环境中的实验验证了我们的方法,并表明我们的方法优于最先进的最大因果熵逆强化学习。
2021-02-15 cs.AI cs.LG cs.RO
Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);University of California, Davis(加利福尼亚大学戴维斯分校);Fudan University(复旦大学);Pinterest Inc.(Pinterest公司)
为了模拟用户偏好的演化,我们应该学习基于时间排序的物品购买序列的用户/物品嵌入,这被定义为顺序推荐(SR)问题。现有的方法利用顺序模式来建模项转换。然而,他们中的大多数人忽略了关键的时间协作信号,这是潜在的不断发展的用户-项目交互和共存的顺序模式。因此,我们提出统一的序列模式和时间协同信号,以提高推荐的质量,这是相当具有挑战性的。首先,难以同时编码序列模式和协作信号。其次,它是不平凡的,以表达协同信号的时间效应。因此,我们设计了一个新的框架时间图顺序推荐(TGSRec)在我们定义的连续时间二分图。在TGSRec中提出了一种新的时间协作转换器(TCT)层,该层通过采用一种新的协作注意机制,改进了自注意力机制。TCT层可以同时捕获来自用户和项目的协作信号,并考虑序列模式中的时间动态。我们传播的信息从TCT层的时间图统一的序列模式和时间的合作信号。在5个数据集上的实证结果表明,TGSRec显著优于其他基线,在Recall@10和MRR上平均分别提高了22.5%和22.1%。
2021-08-22 cs.AI cs.IR cs.LG